AI (artificiell intelligens) och ML (maskininlärning) är ett brett område och det finns många angreppssätt för att skapa en AI/ML-modeller. Ett område som växt i popularitet de senaste åren är att använda en automatiskt AI/ML-produkt för att få stöd i att välja rätt algoritm/modell samt att genom ett peka-klicka gränssnitt skapa och produktionsätta AI/ML-modeller. Till skillnad från att skriva programkod i tex Python.
Vi har använt DataRobot som är en Auto AI/ML-plattform för att predicera bolagsvinster i publika bolag. Datakällan är Börsdata och vi har läst in historisk data och KPIer för en mängd bolag.
Modellen som DataRobot hjälpt oss att ta fram är en binärklassificering med binomial logistic regression. https://peopleanalytics-regression-book.org/bin-log-reg.html
För varje bolag och kvartal ger modellen ett värde (regressionskoefficient) mellan 0 och 1. Värden över 0,5 innebär att bolagsvinsten prediceras att gå upp och värden under 0,5 innebär att bolagsvinsten prediceras att gå ned.
Värden närmare 0 och 1 kan tolkas som att modellen är säkrare på vilket värde som prediceras. Dvs, värden nära 0,5 innebär att modellen inte är säker på utfallet.
Mer information om logistic regression finns här: https://www.ibm.com/topics/logistic-regression
- Här kan du ser en video hur vi byggde AI-modellen i DataRobot: https://youtu.be/z_d6skHArc0
- I det här avsnittet av Kvalitetsaktiepodden berättar vi mer om processen samt Claes Vallin kommenterar utfallet för ett par bolag: https://open.spotify.com/episode/1ZSLSshxpoJddY8gaVGbvs?si=b1f43769af02417d
- Här finns fullständigt dataset över prediktion för Q1 och Q2 2023 för totalt ca 900 bolag: https://drakewiki.se/downloads/All_Companies__April_Predictions.xlsx
Detta material ska inte ses som rådgivning eller rekommendation vad gäller investeringar i aktier.
Tveka inte att kontakta oss om du vill veta mer om AI och maskininlärning eller något annat rörande dataanalys i allmänhet.
